高送转投资机会与预测意义 [page::0][page::1]

• 每年10月三季报前，市场对高送转公司预期提升，高送转公司往往带来显著超额收益。

- 重要性在于提前捕捉高送转标的，挖掘潜在投资价值。

送转影响因子分类与逻辑 [page::1]

| 影响因子类别 | 具体因子 | 预计影响方向 |
|--------------|--------------------|--------------|
| 基本因子 | 股价 | + |
| | 总股本 | - |
| | 上市年限 | - |
| 成长因子 | 每股未分配利润 | + |
| | 每股资本公积 | + |
| | 每股现金流 | + |
| | EPS (TTM) | + |
| 时序因子 | 近三年送转比率 | + |
| | 近三年分红比率 | - |
| | 中报送转比率 | - |

• 逻辑依据股价高、股本少、成长性强、利润分配持续性均促进高送转概率。

Probit模型结构与预测方法 [page::2][page::3]

• 通过标准正态分布函数拟合0/1离散因变量“高送转”概率。

- 模型参数基于显著因子进行逐步筛选与二次拟合。

• 样本外预测方式使用三年前数据对当年高送转概率进行预测。

样本外预测准确率回顾 [page::3]

| 概率阈值 | 2010年预测命中率 | 2011年预测命中率 | 2016年预测命中率 |
|----------|------------------|------------------|------------------|
| >50% | 59% (162/274) | 60% (99/166) | 43.47% (100/230) |
| >70% | 67% (109/163) | 67% (31/46) | 50.82% (62/122) |
| >90% | 79% (53/67) | 79% (11/14) | 62.22% (28/45) |

• 高送转概率越高，预测实际送转的准确率越显著，验证模型稳定性。

2017年回归结果及高送转重点组合 [page::4]

| 因子 | 系数 | P值 | 影响方向 |
|-----------------|------------|--------------|----------|
| 常数项 | -1.763 | <2e-16 | |
| 股价 | 0.01488 | <2e-16 | + |
| 总股本 | -1.322e-10 | 0.00411 | - |
| 上市年限 | 0.01759 | 0.04976 | + |
| 每股未分配利润 | 0.1073 | 1.36e-06 | + |
| 每股资本公积 | 0.1497 | <2e-16 | + |
| 近三年送转比率 | 0.2133 | 8.88e-06 | + |
| 中报送转比率 | -0.5529 | 5.43e-06 * | - |
| R² | | 17.65% | |

• 预测得到天风金工高送转金股组合，前20只个股高送转概率均超80%。

| 股票代码 | 股票简称 | 高送转概率 |
|-------------|----------|-------------|
| 603444.SH | 吉比特 | 99.95% |
| 300613.SZ | 富瀚微 | 98.83% |
| 603368.SH | 柳州医药 | 97.73% |
| 002304.SZ | 洋河股份 | 97.18% |
| 603986.SH | 兆易创新 | 96.89% |
| 300618.SZ | 寒锐钴业 | 94.59% |
| 300616.SZ | 尚品宅配 | 93.65% |
| 002812.SZ | 创新股份 | 93.50% |
| 300628.SZ | 亿联网络 | 93.32% |
| 300533.SZ | 冰川网络 | 89.35% |

• 金股组合为投资者提供了明确的选股候选池。

金融工程报告详尽分析——基于Probit模型的2017年度高送转预测

---

1. 元数据与报告概览

• 报告标题：基于 Probit 模型的 2017 年度高送转预测

- 作者：陈奕，天风证券分析师（执业证书编号：S1110517080005）

• 发布机构：天风证券研究所

- 发布日期：2017年10月11日

• 研究主题：基于统计模型预测中国市场中上市公司年度高送转行为的概率，尤其聚焦2017年度，进而筛选出潜在优质高送转股票组合。

核心论点与评级

该报告以Probit回归模型为分析核心，识别并量化影响高送转概率的多个因子，形成一套系统化、高准确率的预测框架。通过回测历史数据，模型表现出较高命中率，尤其在预测高概率（90%以上）的送转事件中，准确率均保持在80%左右，尽管2016年因政策干预出现回落。报告最终发布2017年预测结果，列出了前20只高送转概率最高的个股，提供实务操作线索。报告中未直接给出评级和目标价，但通过“高送转金股组合”间接表达了看多相关股票的态度[page::0][page::4]。

---

2. 逐节深度解读

2.1 高送转行情机会与意义

报告开篇强调每年10月，三季报即将发布的阶段，市场对年度利润分配方案（特别是因股本激增而稀释股价的高送转）存在强烈预期，且市场中高送转事件常能带来超额收益。由此，高送转行为的准确预测具备显著的策略价值和实践意义[page::0]。

2.2 高送转的影响因素（因子分类与逻辑）

报告将影响送转的因子分为三大类别：

• 基本因子：股价（高价股倾向高送转以拉低股价提升流动性）、总股本（股本少意味着有更多扩张空间）、上市年限（短上市年限公司处成长阶段，对未来业绩信心较足）

- 成长因子：每股未分配利润、每股资本公积是高送转必须的财务条件。每股现金流和EPS(TTM)则反映公司经营状况和持续成长预期

• 时序因子：注重公司既往分配利润的风格。近三年送转比率的高低预示该年度高送转概率，中报已实施送转则年报高送转概率降低。

该部分陈述了因子预期的“正负影响方向”，为后续Probit模型变量设置提供依据。逻辑严密，符合财务和市场常理，特别强调了送转行为的持续性和积累效应[page::1]。

2.3 Probit模型构建方法论

因变量为“是否高送转”，等同于0/1二元变量，故采用Probit模型——一种基于正态分布函数映射的二项概率回归模型。该模型将多个影响因子的线性组合映射到0~1概率区间，反映公司高送转的概率。报告引用概率分布函数表达式，并通过图示（图1）形象描述模型映射关系。

此方法适合于二分类事件概率预测，避免了线性概率模型中概率界限外推问题，且能较好拟合非线性边际作用效果，技术选择合理[page::2]。

2.4 模型样本外预测效果回测

采用2010-2016年数据，模型基于前三年数据拟合，预测当年送转行为。细致地筛选样本（排除总股本超50亿、上市年限超10年者），保证数据的同质性和精准度，剔除非显著变量以强化模型解释力。

模型预测结果通过表2展示，高送转概率大于某阈值时的“命中率”（即真实高送转占比）随阈值显著上升。如2010年>90%概率组命中率约81%，2011、2014年类似表现。

特别值得关注2016年因政策影响导致命中率下降，反映模型仍受外部政策环境限制。整体上，高概率预测的精准度强，表明模型具备实际应用价值。

此部分论证了模型的稳健性及可信度，且数据统计详尽，提供多年度检测，增强说服力[page::3]。

2.5 2017年预测结果与回归参数解析

运用2014-2016年数据重新回归，剔除不显著变量，最终模型选取9个自变量，系数与统计显著性（P值）列于表3。

• 显著正向影响变量（P值<0.05）：

- 股价（1.488e-02，极显著）
- 总股本（负向系数，极显著，符合总股本越少越倾向高送转）
- 上市年限（微显著，正向）
- 每股未分配利润、每股资本公积（极显著均为正向）
- 近三年送转比率（极显著正向）
- 中报送转比率（极显著负向）

• 非显著或边缘显著变量：

- EPS(TTM)、每股现金流、近三年分红比率皆为非显著。

模型拟合优度R²仅为17.65%，表明除已用变量外尚有部分影响因素未被捕捉，预测存在一定不确定性。

表4列出了2017年概率最高的20只股票组合，建议被视为高送转优质“金股”，为市场投资提供聚焦对象[page::4]。

---

3. 重要图表深度解读

3.1 表1：送转影响因子及方向

该表系统总结三大类因子中各项指标对高送转的预测方向，明确了正向（+）、负向（-）或非单一方向的预期。

• 股价：预期正向，基于高价股期望通过送转降价。

- 总股本和上市年限：无明确方向符号，但逻辑由文本解析为总股本负向影响，高股本降低送转动力；上市年限短则倾向高送转。

• 成长因子多为正向，反映财务健康度与潜力。

- 时序因子中，近三年送转比率为正，分红比率无标示正负，中报送转比率为强负两个减号。

该表为后续模型变量的筛选和预期影响提供基准，确保变量选择有理论依据[page::1]。

3.2 图1：Probit模型概率分布示意图

图示比较线性概率模型与Probit模型映射的差异，强调Probit模型的S型（正态累积分布形式）曲线，在概率边界处（0和1附近）收敛，防止概率超出合理范围。此图辅助理解模型数学基础及其适用性[page::2]。

3.3 表2：2010-2016样本外预测结果

此表以多层阈值展示预测概率和实际高送转比例，清晰体现模型的预测准确率随阈值提升而增长。

• 例如>90%概率的话，命中率最高能达到约80%以上。

- 2016年所有阈值命中率均较同期年份降低，体现政策影响。

该表数据完整详实，支持模型实战可行性，且采用分年度和阈值细分的方式体现了模型的灵活性和区分度[page::3]。

3.4 表3：2017年高送转概率回归参数

通过回归系数与P值体现变量的重要性：多个变量高度显著，体现出合理的经济解释。中报送转比率负向影响显著，符合逻辑：中报已高送转，年报可能不再高送转以避免重复。模型整体拟合度中等（R²=17.65%），反映实际市场中高送转行为影响因素复杂[page::4]。

3.5 表4：2017年高送转金股组合

列出前20只预测概率最高个股，以概率数值排序，最高接近100%。为投资者提供明确的潜在高送转目标池，但报告未进一步解读具体公司基本面，强调概率模型统计预测的指导价值[page::4]。

---

4. 估值分析

报告核心在概率模型预测，未涉及传统估值方式（如DCF、PE等），但通过“高送转概率”隐含预期市场价格提升的可能性。模型回归参数系数本质上即反映变量对潜在股价通过送转改变的影响机制。报告构建的Probit模型相当于为高送转行为进行概率赋值，是一种事件驱动型的量化策略分析，而非估值模型。

因此，此处不存在传统价格目标估值模型，仅能认为“高概率=潜在超额收益机会”，间接形成投资决策依据[page::0][page::3][page::4]。

---

5. 风险因素评估

报告中特别提及2016年样本外预测准确率下滑，明确指出政策因素是重要风险因子，暗示政策变化可能导致模型稳定性下降。此外，2017年数据使用中报补全三季报数据，本身带来输入数据不足的风险。

报告亦含有免责声明，提醒历史回测不代表未来表现，且模型数据筛选存在样本抽取限制（如股本和上市年限限制），意味着对大型成熟企业覆盖不足，可能影响模型全面适用性。风险缓解主要依靠模型持续更新和数据回归再训练，以及谨慎看待模型预测结果。

除此之外，报告声明部分揭示潜在利益冲突和数据准确性不保证的风险，表明研究结论需结合投资者自身判断谨慎参考[page::0][page::3][page::5]。

---

6. 批判性视角与细微差别

• 报告架构合理，方法统计严谨，但R²较低表明模型仍有较大解释力不足部分，投资者应警惕过度依赖。

- 2016年政策变化带来的预测回撤揭示模型脆弱性，说明高送转行为受宏观及制度因素影响较大，非财务指标难以完全捕捉。

• 2017年用中报数据代替三季报，虽然实操可行，但损失了部分时序完整性，预测准确度存在潜在减弱。

- EPS(TTM)、现金流、分红比率等部分成长因子在2017回归未显著，可能反映模型对成长性指标的捕捉能力有限。

• 报告未深入分析具体公司质地，仅提供概率输出，实操时投资者需结合基本面具体研究，防止仅靠统计结果导致误判。

- 未详细披露模型具体选用变量的多重共线性、异方差等诊断，影响模型稳健性解读。

• 风险声明详尽，但对模型算法本身的潜在风险披露较少，建议后续研究加强对模型稳定性的测试和改进[page::4][page::5]。

---

7. 结论性综合

该报告系统构建并验证了基于Probit概率回归模型的高送转预测框架，成功将基本面、成长性及时序特征因子量化为概率值，结合严谨回测验证，显示该方法在过去较多数年对高送转事件的预测准确率达较高水平，特别在高概率阈值筛选中表现突出。

重点数据包括：

• 基本因子（股价、总股本、上市年限）与成长因子（每股未分配利润、资本公积）对高送转概率的显著正向影响；

- 时序因子尤其是近三年送转比率的重要性，以及中报送转比率的负向约束作用；

• 模型样本外预测准确率达到50%-80%之间浮动，高概率组准确率达到80%左右；

- 2017 年高送转预测明确给出概率排名，形成“高送转金股组合”；

该模型提供投资者一个清晰的量化工具，从统计角度系统捕捉高送转机会，具有较强的实战策略指导意义。尽管如此，模型解释力度有限，且易受政策和数据完整性影响，提醒投资者结合公司基本面和宏观环境审慎应用预测结果。

总体来说，报告展现了对高送转事件深入的因子剖析与概率建模分析，结构严密，数据充分，为高送转策略提供了可信的量化支持和操作路径[page::0][page::1][page::3][page::4][page::5]。

---

附：报告中关键图表示意

---

以上为对天风证券《基于 Probit 模型的 2017 年度高送转预测》报告的全面且细致的解构分析。

报告